RANCANGAN SISTEM REKOMENDASI KATEGORI PERUSAHAAN PRAKTIK INDUSTRI MENGGUNAKAN ALGORITMA NAÏVE BAYES
|
|
- Handoko Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 RANCANGAN SISTEM REKOMENDASI KATEGORI PERUSAHAAN PRAKTIK INDUSTRI MENGGUNAKAN ALGORITMA NAÏVE BAYES Robi Wahyudi 1), Aji Prasetya Wibawa 2), Utomo Pujianto 3) 1), 2), 3) Teknik Elektro Universitas Negeri Malang Jl Semarang No. 5 Malang robii.wahyudi@gmail.com 1), aji.prasetya.ft@um.ac.id 2), utomo.pujianto@yahoo.co.id 3) Abstrak Mengembangkan kompetensi mahasiswa melalui praktik dapat dilakukkan dimanapun, salah satunya di industri. Melalui langkah ini diharapkan kompetensi yang dimiliki mahasiswa sesuai dengan harapan industri. Universitas sebagai mitra industri menjadikan praktik ini matakuliah wajib, yaitu Praktik Industri (PI). Dari hasil observasi yang dilakukan kepada mahasiswa Pendidikan Teknik Informatika Universitas Negeri Malang yang telah menempuh PI menyimpulkan adanya kebingunggan pada saat pemilihan lokasi PI. Hal ini dikarenakan banyaknya pilihan industri yang tersedia serta tidak ada informasi kompetensi yang dibutuhkan perusahaan. Akibatnya, mahasiswa yang tidak sesuai dengan kompetensi yang dibutuhkan perusahaan mengalami penolakan pada proses permohonan PI ke perusahaan. Penolakan permohonan PI ke perusahaan yang berulang dapat menghambat waktu pelaksanaan PI. Kategori perusahaan menentukan kompetensi yang dibutuhkan pada saat PI. Pada artikel ini akan dibahas penerapan algoritma Naïve Bayes untuk menentukan kategori lokasi PI yang paling sesuai dengan kompetensi mahasiswa sehingga dapat mengurangi jumlah penolakan dari perusahaan. Pada tahap selanjutnya akan dilanjutkan ke tahapan pengembangan Sistem Pendukung Keputusan (SPK). Kata kunci: Praktik Industri(PI), Naïve Bayes, Sistem Pendukung Keputusan (SPK) 1. Pendahuluan Universitas sebagai lembaga pendidikan tinggi berperan meningkatkan kompetensi lulusan yang sesuai dengan kebutuhan industri salah satunya melalui Praktik Industri. Praktik Industri (PI) merupakan matakuliah wajib bagi mahasiswa untuk menerapkan teori secara langsung di industri. Prosedur PI diawali dengan pengajuan surat permohonan kepada perusahaan tujuan lokasi PI. Pada proses ini, mahasiswa memiliki kemungkinan diterima atau ditolak oleh perusahaan. Apabila mahasiswa mendapat keputusan ditolak oleh perusahaan dapat mengajukan permohonan kembali. Proses ini dapat menjadi hambatan pelaksanaan PI apabila mahasiswa ditolak perusahaan beberapa kali. Agar hambatan tersebut dapat diminimalkan, dibutuhkan sebuah mekanisme yang dapat membantu mahasiswa menyesuaikan kompetensi dengan perusahaan. Sistem rekomendasi kategori perusahaan PI merupakan Sistem Pendukung Keputusan (SPK) yang dirancang untuk membantu menyelesaikan permasalahan pemilihan kategori perusahaan PI. Pemilihan kategori perusahaan PI adalah permasalahan yang berkaitan dengan klasifikasi. Naïve Bayes dapat digunakan untuk menyelesaikan permasalahan klasifikasi dengan probabilitas sederhana. Sehingga dengan penerapan algoritma tersebut, dapat memberikan rekomendasi kategori lokasi PI yang sesuai. 2. Pembahasan Sistem Pendukung Keputusan (SPK) adalah sistem informasi interaktif berbasis komputer yang digunakan untuk membantu pengambilan keputusan dalam situasi yang semiterstruktur dan situasi yang tidak terstruktur dengan berbagai metode yang dapat digunakan [3]. Pemilihan metode didasarkan pada faktor (karakteristik) yang ditemukan pada permasalahan. Berdasarkan karakteristik permasalahan pemilihan kategori lokasi PI Naive Bayes salah satu metode yang dapat digunakan. Metode ini merupakan salah satu metode sederhana untuk klasifikasi yang berdasar pada konsep teorema Bayes [1]. Klasifikasi merupakan suatu pekerjaan menilai objek data untuk memasukkannya kedalam kelas tertentu dari sejumlah kelas yang tersedia [2]. Kelas hasil klasifikasi dalam sistem ini merupakan kategori perusahaan. Adapun kategori tersebut ada tiga yakni : (a) Instansi Pemerintah; (b) Perusahaan Swasta; (c) Softwarehouse. Secara garis besar mekanisme kerja dari klasifikasi terdapat empat langkah utama, meliputi : (a ) pemilihan algoritma pelatihan; (b) memasukkan data latih; (c) pembangunan model; (d) penerapan model. Pembahasan secara detail mekanisme klasifikasi dapat dilihat pada gambar 1 serta penjelasan berikut ini
2 menunjukkan probabilitas label kelas Y yang didapatkan setelah attribut-attribut X diamati. Pada sistem ini label kelas Y adalah kategori perusahaan, sedangkan attributattribut X adalah faktor yang mempengaruhi pemilihan lokasi PI. Proses untuk memodelkan data dari attribut kombinasi X dan Y didapatkan dari data latih. Data latih merupakan data pengalaman yang digunakan untuk membangun model klasifikasi. Data ini didapatkan dari pengalaman mahasiswa yang telah menempuh PI. Dalam Naïve Bayes, setiap attribut dan kelas dihitung nilai probabilitasnya. Hal ini dimaksudkan untuk mendapatkan nilai probabilitas ahir pada setiap kelas menggunakan data uji. Nilai probabilitas ahir P(Y X) pada setiap kelas yang paling tinggi merupakan kelas yang dijadikan hasil prediksi b. Menyiapkan Data Latih Model probabilitas didapatkan dari analisis data latih (training set), Sedangkan data uji ( test set) digunakan untuk mengetahui tingkat akurasi dari model probabilitas yang telah dihasilkan [4]. Sebelum pembangunan data latih harus ditentukan nilai attribut yang akan digunakan. Attribut-attribut dan kelas yang digunakan pada sistem ini dijabarkan sebagai berikut: Gambar 1 Diagram Alir Klasifikasi [1] a. Pemilihan Algoritma Pelatihan Naïve Bayes dipilih sebagai metode pelatihan dalam sistem ini. rumus Naïve Bayes untuk klasifikasi (1) dapat dituliskan sebagai berikut : P(Y X) = ( ) ( )...(1) ( ) Keterangan : P(Y X) : Probabilitas data dengan vector X pada kelas Y P(Y) : Probabilitas awal kelas Y. P(X) n i = 1 P(Xi Y) : Probabilitas independen kelas Y dari semua attribut dalam vector X. : Nilai P(X) selalu tetap,hasil tertinggi digunakan untuk pemilihan kelas. 1. Attribut Index Prestasi Kumulatif (IPK) Index Prestasi Kumulatif didapatkan dari perhitungan persamaan (2). IPK= ( Nki*Ni)/( Nki)..(2) Keterangan : Nki Ni : Jumlah kredit matakuliah (SKS) : Nilai Matakuliah IPK merupakan attribut bertipe numerik sehingga diperlukan langkah deskretisasi dengan mengganti nilai attribut kontinu tersebut dengan nilai interval diskret [1]. Attribut IPK dapat dinyatakan dengan huruf A,A-,B+,B;B-,C,D,E yang ekivalen dengan angka ; ; ; ; ; ; ; [2]. Adapun contoh deskretisasi nilai kontinu IPK dengan nilai huruf ditunjukkan pada tabel 1. Tabel 1 Tabel Contoh Dekretisasi Nilai IPK Mahasiswa IPK (Angka) IPK (Huruf) Mhs Satu 3.43 A- Mhs Dua 3.75 A Mhs Tiga 2.70 B Jika X adalah vector masukkan yang berisi attribut dan Y adalah label kelas, notasi penulisan Naïve Bayes adalah P(Y X). Penggunaan notasi P(Y X)
3 2. Attribut Jarak Lokasi PI (J) Nilai untuk attribut jarak ada dua yaitu kategori jarak dekat dan jarak jauh. Attribut jarak didasarkan pada tempat tinggal mahasiswa dengan lokasi PI. Nilai interval untuk jarak dekat antara 0 sampai 10 Km, sedangkan untuk nilai interval jarak jauh lebih dari 10 Km. 3. Attribut Waktu Kerja (WK) Berdasarkan waktu kerja normal 8-10 jam nilai attribut waktu kerja dibagi menjadi tiga kategori, yaitu: (a) kurang dari 8 jam; (b) 8-10 jam; (c) lebih dari 10 jam. Waktu kerja mahasiswa PI disesuaikan dengan kebijakan dari perusahaan. 4. Attribut Beban Penugasan (BP) Attribut ini berdasarkan penilaian mahasiswa terhadap beban penugasan yang diberikan pada saat PI. Penentuan nilai pada attribut beban penugasan meliputi: (a) ringan; (b) sedang; (c) berat. Penugasan selama PI diberikan oleh pembimbing yang ditunjuk oleh industri sehingga dapat disesuaikan dengan kompetensi mahasiswa. 5. Attribut Tujuan Bekerja (TB) Attribut tujuan bekerja dibagi dalam skala 1 sampai 5 berdasarkan skala likert. Skala tersebut menunjukkan pendapat persetujuan tentang lokasi PI sebagai tujuan bekerja. Berikut adalah skala untuk attribut tujuan bekerja: (a) 5= sangat setuju (SS); (b) 4= setuju (S); (c) 3= netral (N) ; (d) 2= tidak setuju (TS); (e) 1= sangat tidak setuju (STS). 6. Kelas Pada sistem ini kelas yang akan digunakan sebagai klasifikasi merupakan kategori perusahaan. Kategori perusahaan tersebut didapatkan dari hasil observasi mahasiswa yang telah menempuh PI. Dari hasil observasi tersebut didapatkan tiga kategori perusahaan yaitu : (a) Instansi Pemerintah (IP); (b) Perusahaan Swasta (PS); (c) Softwarehouse (SH). c. Pembangunan Model Tahapan ini bertujuan untuk mendapatkan model dari data latih. Dari data ini kemudian dihitung nilai probabilitas setiap nilai pada setiap attribut dan kelasnya. Probabilitas tersebut dapat dinotasikan dengan P(Xi Yi). Setiap jumlah dari nilai attribut ditambah 1 untuk menghindari hasil probabilitas pembagian nol [4]. Sebagai contoh pembangunan model pada label Kelas ditunjukkan pada tabel 2. Tabel 2 Contoh Pembangunan Model Label Kelas Kelas IP 10 PS 5 SH 5 Dari tabel 2 dapat diamati probabilitas P(X) untuk setiap kelas IP,PS,SH masing-masing 0.5,0.25,0.25. Nilai P(X) didapatkan dari pembagian jumlah dalam kelas tersebut dibagi dengan jumlah kelas seluruhnya. Langkah perhitungan ini disesuaikan dengan formula (1). d. Penerapan Model Untuk mendapatkan akurasi metode harus dilakukan penerapan model probabilitas yang telah dibuat. Tahapan ini bertujuan untuk mendapatkan kelas hasil prediksi. Kelas hasil prediksi akan dibandingkan dengan kelas sebenarnya. Dimana hasil prediksi tersebut merupakan perbandingan nilai probabilitas kelas data uji yang memiliki nilai paling tinggi. Setelah diketahui kelas hasil prediksi selanjutnya dilakukan filtering penampilan data nama perusahaan PI berdasarkan kategori tersebut. Langkah ini merupakan rekomendasi sistem yang selanjutnya dijadikan pembantu keputusan pemilihan lokasi PI mahasiswa. Pengujian Adapun pengujian yang akan digunakan adalah precision,recall dan akurasi [5]. Data sampel yang digunakan didapatkan dari mahasiswa angkatan yang telah menempuh PI. Jumlah data yang digunakan sebanyak 50 data dengan kelas Instansi Pemerintah (IP),Perusahaan Swasta (PS) dan Softwarehouse (SH) masing-masing sejumlah 17,16 dan 17. Pada tahap ini data akan dibagi menjadi dua, yaitu data latih dan data uji. Dimana data latih digunakan untuk membentuk model probabilitas pada metode Naïve Bayes sedangkan data uji digunakan untuk menguji tabel probabilitas tersebut. Percobaan dilakukan sebanyak tiga kali dengan masing-masing data latih sejumlah 20,30 dan 40 sedangkan data uji sejumlah 10 data. Adapun hasil pengujian akan dijabarkan berikut ini. 1. Percobaan ke-1 Jumlah Pada percobaan ini digunakan data latih sejumlah 20 data sedangkan untuk data uji digunakan sejumlah 10 set data. Data ini diambil dari sampel mahasiswa angkatan yang telah menempuh PI. Adapun hasil percobaan ke-1 didapatkan matrik konfusi seperti pada tabel
4 Tabel 3 Tabel Matrik Konfusi Percobaan ke-1 Actual Class F gh Predicted Class IP PS SH IP PS SH Hasil pengujian menggunakan 20 data latih dan 10 data uji menunjukkan nilai precision,recall dan akurasi masing-masing 43.3%,36.6% dan 50%. Unjuk Kerja 70,00% 60,00% 50,00% 40,00% 30,00% 20,00% 10,00% Data Latih Precision Recall Akurasi 2. Percobaan ke-2 Pada percobaan ke-2 data yang digunakan sama yakni dari sampel mahasiswa angkatan yang telah menempuh PI. Data latih yang digunakan sejumlah 30 data sedangkan untuk data uji sejumlah 10 set data. Adapun matrik konfusi yang dihasilkan pada percobaan ke-2 ditunjukkan pada tabel 4. Tabel 4 Tabel Matrik Konfusi Percobaan ke-2 Actual Class F gh Predicted Class IP PS SH IP PS SH Hasil pengujian menggunakan 30 data latih dan 10 data uji menunjukkan nilai precision,recall dan akurasi masing-masing 53.3%,53.3% dan 60%. 3. Percobaan ke-3 Menggunakan data yang sama, data latih yang digunakan pada percobaan ini sejumlah 40 data dan data uji yang digunakan sejumlah 10 set data. Hasil dari data percobaan ke-3 tersebut ditunjukkan pada tabel 5: Tabel 5 Tabel Matrik Konfusi Percobaan ke-3 Actual Class F gh Predicted Class IP PS SH IP PS SH Hasil pengujian menggunakan 40 data latih dan 10 data uji menunjukkan nilai precision,recall dan akurasi masing-masing 50%,47.7% dan 50%. Dari hasil percobaan-percobaan tersebut didapatkan grafik perbandingan dari nilai precision,recall dan akurasi. Adapun grafik perbandingan tersebut ditunjukan pada gambar 2. Gambar 2. Grafik Hasil Pengujian Secara umum hasil perbandingan yang ditunjukkan pada gambar 2 tidak terlalu signifikan. Hal ini dikarenakan data yang digunakan terlalu sedikit jumlahnya. Apabila mahasiswa bertambah pada setiap angkatan maka data yang didapatkan akan semakin banyak sehingga rekomendasi dari SPK yang akan dikembangkan semakin tepat. 3. Kesimpulan Berdasarkan hasil dan pembahasan, dapat disimpulkan bahwa algoritma Naïve Bayes dapat digunakan sebagai metode sistem rekomendasi kategori perusahaan praktik industri bagi mahasiswa. Selanjutnya, metode ini akan diimplementasikan pada SPK menggunakan data latih yang lebih banyak sehingga unjuk kerja sistem dapat meningkat signifikan. Daftar Pustaka [1] Prasetyo,Eko Data Mining Konsep dan Aplikasi menggunakan Matlab.Yogyakarta: Andi. [2] Teknik Elektro Universitas Negeri Malang Katalog Praktik Industri (PI) TE-UM. Malang: Universitas Negeri Malang. [3] Kusrini Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: Andi. [4] Kusrini and E. T. Luthfi Algoritma Data Mining 1st ed. Yogyakarta, Indonesia: Andi. [5] Marina Sokolova and Guy Lapalme, A systematic analysis of performance measures for classification tasks, In Information Processing and Management,vol. 45,pp , March Biodata Penulis Robi Wahyudi, mahasiswa tingkat akhir Jurusan Teknik Elektro Universitas Negeri Malang. Aji Prasetya Wibawa, S.T, M.M.T, Ph.D, memperoleh gelar Sarjana Teknik (S.T ) dari Jurusan Teknik Elektro Universitas Brawijaya, lulus tahun Memperoleh gelar Magister Menejemen Teknologi (M. MT) dari Institut Teknologi Sepuluh Nopember, lulus tahun Memperoleh gelar Doctor of Philosophy (PhD) dari School of Engineering, University of South Australia, pada tahun Saat ini menjadi Dosen di Universitas Negeri Malang sekaligus anggota dari Institute of Electrical and Electronics Engineers (IEEE)
5 Utomo Pujianto, S.Kom, M.Kom, memperoleh gelar Sarjana Komputer (S.Kom), Jurusan Matematika Universitas Gadjah Mada, lulus tahun Memperoleh gelar Magister Komputer (M.Kom) Program Pasca Sarjana Magister Komputer Informasi Institut Teknologi Sepuluh Nopember, lulus tahun Saat ini menjadi Dosen di Universitas Negeri Malang
6 3.3-18
MODEL SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SEKOLAH MENGGUNAKAN METODE SAW
Seminar Nasional Teknologi Informasi dan Multimedia 06 STMIK MIKOM Yogyakarta, 6-7 Februari 06 MODEL SISTEM PENDUKUNG KEPUTUSN PEMILIHN SEKOLH MENGGUNKN METODE SW Firdausa), ji Prasetya Wibawa), Utomo
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinci( ) ( ) (3) II-1 ( ) ( )
BAB II LANDASAN TEORI 2.1 Naïve Bayes Classifier 2.1.1 Teorema Bayes Bayes merupakan teknik prediksi berbasis probabilistik sederhana yang berdasar pada penerapan teorema Bayes (atau aturan Bayes) dengan
Lebih terperinciPEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER
PEMBOBOTAN KORELASI PADA NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik Elektro dan Teknologi Informasi Universitas Gadjah Mada Jl.
Lebih terperinciANALISIS PERBANDINGAN TINGKAT AKURASI ALGORITMA NAÏVE BAYES CLASSIFIER DENGAN CORRELATED-NAÏVE BAYES CLASSIFIER
ANALISIS PERBANDINGAN TINGKAT AKURASI ALGORITMA NAÏVE BAYES CLASSIFIER DENGAN CORRELATED-NAÏVE BAYES CLASSIFIER Burhan Alfironi Muktamar 1), Noor Akhmad Setiawan 2), Teguh Bharata Adji 3) 1), 2), 3) Teknik
Lebih terperinciKLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION
KLASIFIKASI NASABAH ASURANSI JIWA MENGGUNAKAN ALGORITMA NAIVE BAYES BERBASIS BACKWARD ELIMINATION Betrisandi betris.sin@gmail.com Universitas Ichsan Gorontalo Abstrak Pendapatan untuk perusahaan asuransi
Lebih terperinciPENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER
PENERAPAN DATA MINING UNTUK EVALUASI KINERJA AKADEMIK MAHASISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER I. PENDAHULUAN Mahasiswa merupakan salah satu aspek penting dalam evaluasi keberhasilan penyelenggaraan
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KETEPATAN LAMARAN KERJA SISWA MENGGUNAKAN METODE NAIVE BAYES DI SMK ISLAM 1 DURENAN
SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KETEPATAN LAMARAN KERJA SISWA MENGGUNAKAN METODE NAIVE BAYES DI SMK ISLAM 1 DURENAN SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat
Lebih terperinciIMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO)
IMPLEMENTASI ALGORITMA ID3 UNTUK KLASIFIKASI PERFORMANSI MAHASISWA (STUDI KASUS ST3 TELKOM PURWOKERTO) Andika Elok Amalia 1), Muhammad Zidny Naf an 2) 1), 2) Program Studi Informatika ST3 Telkom Jl D.I.
Lebih terperinciSPK PEMILIHAN JURUSAN BERDASARKAN KUESIONER MINAT BAKAT MENGGUNAKAN METODE NAIVE BAYES
SPK PEMILIHAN JURUSAN BERDASARKAN KUESIONER MINAT BAKAT MENGGUNAKAN METODE NAIVE BAYES Dhiya Uddin Lutfiansyah 1, Yan Watequlis Syaifudin,ST.,MMT 2, Budi Harijanto, ST., MMKom 3 1,2,3 Program StudiTeknik
Lebih terperinciSKRIPSI. Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH :
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN JURUSAN PADA PENDAFTARAN SISWA BARU JALUR PRESTASI MENGGUNAKAN METODE NAÏVE BAYES (Studi Kasus di SMKN 1 Boyolangu Tulungagung) SKRIPSI Diajukan Untuk Memenuhi Sebagian
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Kemajuan teknologi informasi saat ini berkembang semakin cepat. Sehingga banyak hal yang dapat dimanfaatkan oleh manusia dengan adanya kemajuan teknologi tersebut.
Lebih terperinciPenerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode Naïve Bayes
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining Classification Untuk Prediksi Perilaku Pola Pembelian Terhadap Waktu Transaksi Menggunakan Metode
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES
SISTEM PENDUKUNG KEPUTUSAN PEMILIHANKELAS UNGGULAN IPA DI SMA NEGERI 1 PATIANROWO MENGGUNAKAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom)
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciBAB II TINJAUAN PUSTAKA. sekumpulan besar data yang tersimspan dalam penyimpanan dengan
BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Data Mining A. Pengertian Data Mining Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI. Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : - Algoritma Naïve Bayes Classifier
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Dalam tinjauan pustaka dibawah ini terdapat 6 referensi sebagai berikut : Tabel 2.1 Penelitian sebelumnya Parameter Penulis Objek Metode Hasil
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMBERIAN KREDIT USAHA MIKRO PADA BANK MANDIRI GOMBONG
SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN KREDIT USAHA MIKRO PADA BANK MANDIRI GOMBONG Ika Nur Fajri 1, Bambang Soedijono W. 2, Syamsul A. Syahdan 3 1,2,3 Magister Teknik Informatika STMIK AMIKOM Yogyakarta
Lebih terperinciPrediksi Tingkat Kelulusan Siswa Dalam UAN Di SMP Negeri 2 Deket Dengan Menggunakan Metode Teorema Bayes
Prediksi Tingkat Kelulusan Siswa Dalam UAN Di SMP Negeri 2 Deket Dengan Menggunakan Metode Teorema Bayes Miftahus Sholihin, Aizatus Sholikhiyah* ) 1) Program Studi Teknik Informatika Fakultas Teknik Universitas
Lebih terperinciAkurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa
Akurasi Data Mining Untuk Menghasilkan Pola Kelulusan Mahasiswa dengan Metode NAÏVE BAYES M. Ridwan Effendi Fakultas Komputer Jurusan Sistem Informasi Universitas Mohammad Husni Thamrin Jakarta Email :
Lebih terperinciPEMBANGUNAN APLIKASI KLASIFIKASI MAHASISWA BARU UNIVERSITAS ATMA JAYA YOGYAKARTA DENGAN METODE NAΪVE BAYES CLASSIFIER
PEMBANGUNAN APLIKASI KLASIFIKASI MAHASISWA BARU UNIVERSITAS ATMA JAYA YOGYAKARTA DENGAN METODE NAΪVE BAYES CLASSIFIER TUGAS AKHIR Diajukan untuk Memenuhi Sebagian Persyaratan Mencapai Derajat Sarjana Teknik
Lebih terperinciIDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.
IDENTIFIKASI MAHASISWA YANG MEMPUNYAI KECENDERUNGAN LULUS TIDAK TEPAT WAKTU PADA PROGRAM STUDI MMT-ITS DENGAN MENGGUNAKAN ALGORITMA C4.5 Amelia Halim 1) dan Joko Lianto Buliali 2) 1) Program Studi Magister
Lebih terperinciANALISIS PREDIKSI TINGKAT KETIDAKDIPLINAN SISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER (STUDI KASUS : SMK NEGERI 1 PACITAN)
ANALISIS PREDIKSI TINGKAT KETIDAKDIPLINAN SISWA MENGGUNAKAN ALGORITMA NAÏVE BAYES CLASSIFIER (STUDI KASUS : SMK NEGERI 1 PACITAN) Niken Puji Astuti1), Kusrini2), M. Rudyanto Arief3) 1),2),3) Magister Teknik
Lebih terperinciIMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG
IMPLEMENTASI ALGORITMA C4.5 UNTUK KLASIFIKASI BIDANG KERJA ALUMNI DI STMIK LPKIA BANDUNG 1 Ati Suci Dian Martha, 2 Afryanto Redy 1 Program Studi Sistem Informasi STMIK LPKIA 1 Program Studi Sistem Informasi
Lebih terperinciPENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO
PENERAPAN METODE NAIVE BAYES UNTUK KLASIFIKASI JAGUNG PRODUKTIF DI GORONTALO Ramayanti Kaku, Arip Mulyanto, Manda Rohandi Program Studi Sistem Informasi/ Jurusan Teknik Informatika Abstrak Bervariasinya
Lebih terperinciIMPLEMENTASI METODE NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DI PROGRAM STUDI TEKNIK INFORMATIKA FT UN PGRI KEDIRI
IMPLEMENTASI METODE NAIVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DI PROGRAM STUDI TEKNIK INFORMATIKA FT UN PGRI KEDIRI SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciKLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER
KLASIFIKASI KECENDERUNGAN PENYAKIT MATA DI JAWA BARAT DENGAN ASSOCIATION RULE DAN NAÏVE BAYES CLASSIFIER Zillan Taufiq Budiman 1), Wina Witanti 2), Dian Nursantika 3) 1), 2), 3) Informatika Universitas
Lebih terperinciAlfa Saleh. Teknik Informatika Universitas Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A, Tanjung Mulia, Medan
PENERAPAN DATA MINING DENGAN METODE KLASIFIKASI NAÏVE BAYES UNTUK MEMPREDIKSI KELULUSAN MAHASISWA DALAM MENGIKUTI ENGLISH PROFICIENCY TEST (Studi Kasus : Universitas Potensi Utama) Alfa Saleh Teknik Informatika
Lebih terperinciALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG
ALGORITMA DECISION TREE (C4.5) UNTUK MEMPREDIKSI KEPUASAN MAHASISWA TERHADAP KINERJA DOSEN POLITEKNIK TEDC BANDUNG Ade Yuliana 1, Duwi Bayu Pratomo 2 1,2 Program Studi Teknik Informatika - Politeknik TEDC
Lebih terperinciMETODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA
Techno.COM, Vol. 15, No. 3, Agustus 216: 195-2 METODE KLASIFIKASI DENGAN ALGORITMA NAÏVE BAYES UNTUK REKOMENDASI PENJURUSAN SMA TERANG BANGSA Andrew Yova Kencana 1, Setia Astuti 2 1,2 Jurusan Teknik Ilmu
Lebih terperinciREKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER
REKOMENDASI TOPIK TUGAS AKHIR MAHASISWA TEKNIK INFORMATIKA DI UNIVERSITAS MUHAMMADIYAH JEMBER MENGGUNAKAN METODE NAÏVE BAYESIAN CLASSIFIER Titis Suwartiningsih (11 1065 1116) 1, Bagus Setya Rintyarna,
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Sejalan dengan perkembangan teknologi informasi, semakin bertambah pula kemampuan komputer dalam membantu menyelesaikan permasalahanpermasalahan di berbagai
Lebih terperinciJURNAL PENERAPAN ALGORITMA NAIVE BAYES UNTUK PREDIKSI LAMA STUDI MAHASISWA PADA JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN INFORMATIKA
JURNAL PENERAPAN ALGORITMA NAIVE AYES UNTUK PREDIKSI LAMA STUDI MAHASISWA PADA JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER (STMIK) KADIRI IMPLEMENTATION OF NAIVE AYES ALGORITHM
Lebih terperinciImplementasi Algoritma Naïve Bayes untuk Sistem Klasifikasi Emosi Musik Otomatis TUGAS AKHIR
Implementasi Algoritma Naïve Bayes untuk Sistem Klasifikasi Emosi Musik Otomatis TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Oleh
Lebih terperinciWEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR
WEIGHT K-SUPPORT VECTOR NEAREST NEIGHBOR Eko Prasetyo 1), Rifki Fahrial Zainal 2), Harunur Rosyid 3) 1), 2) Teknik Informatika Universitas Bhayangkara Surabaya Jl. A. Yani 114, Surabaya, 60231 3) Teknik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Informasi telah menjadi kebutuhan utama dalam kehidupan manusia. Informasi bisa dikatakan sebagai pengetahuan yang didapatkan dari pembelajaran, pengalaman, atau instruksi.
Lebih terperinciJurnal String Vol. 1 No. 1 Tahun 2016 ISSN:
KAJIAN KOMPARASI ALGORITMA C4.5, NAÏVE BAYES DAN NEURAL NETWORK DALAM PEMILIHAN PENERIMA BEASISWA (Studi Kasus pada SMA Muhammadiyah 4 Jakarta ) Ulfa Pauziah Program Studi Teknik Informatika, Universitas
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMA PROGRAM KELUARGA HARAPAN MENGGUNAKAN METODE NAIVE BAYES
SISTEM PENDUKUNG KEPUTUSAN PENERIMA PROGRAM KELUARGA HARAPAN MENGGUNAKAN METODE NAIVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Jurusan Teknik
Lebih terperinciOleh: ARIF DARMAWAN NIM
APLIKASI PENGKLASIFIKASIAN DOKUMEN INFO PADA TWITTER MENGGUNAKAN ALGORITMA NAIVE BAYES TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Lebih terperinciSISTEM REKOMENDASI PENERIMAAN BANTUAN SISWA MISKIN (BSM)
SISTEM REKOMENDASI PENERIMAAN BANTUAN SISWA MISKIN (BSM) ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH
Lebih terperinciKLASIFIKASI PADA TWEET BERBAHASA INDONESIA MENGGUNAKAN METODE GRAVITASI DATA TUGAS AKHIR. Disusun Oleh : Mufida Lutfiah Ulfa
KLASIFIKASI PADA TWEET BERBAHASA INDONESIA MENGGUNAKAN METODE GRAVITASI DATA TUGAS AKHIR Disusun Oleh : Mufida Lutfiah Ulfa 201010370311410 JURUSAN TEKNIK INFOMRATIKA FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelum melakukan penelitian adapun penulis mencari penelitian penelitian yang memungkinkan terkait dengan penelitian antara lain : 1. Analisis Kinerja Data
Lebih terperinciIMPLEMENTASI DATA MINING PADA PENENTUAN JUMLAH SKS MENGGUNAKAN DECISION TREE
IMPLEMENTASI DATA MINING PADA PENENTUAN JUMLAH SKS MENGGUNAKAN DECISION TREE Asmah 1), Mussallimah 2), Indrianti 3) 1,2,3) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos Sudarso rt. 06
Lebih terperinciIMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES
IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI DATA NASABAH BANK DALAM PENAWARAN DEPOSITO BERJANGKA DENGAN MENGGUNAKAN ALGORITMA KLASIFIKASI NAIVE BAYES Nama : Muhammad Rizki NPM : 54410806 Jurusan Pembimbing
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih terperinciPERANCANGAN APLIKASI PEMILIHAN MITRA KERJA
PERANCANGAN APLIKASI PEMILIHAN MITRA KERJA Harry Dhika 1), Tri Yani Akhirina 2), Surajiyo 3) 1), 2),3) Teknik Informatika Universitas Indraprasta PGRI Jl Nangka No. 58B, Jakarta, DKI Jakarta 12530 Email
Lebih terperinciAPLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES
APLIKASI PENENTUAN ANGGOTA KELAS UNGGULAN DENGAN METODE NAÏVE BAYES SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Teknik (S.Kom) Pada Program Studi Teknik Informatika Oleh:
Lebih terperinciKLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING
KLASIFIKASI PROSES BUSINESS DATA MAHASISWA UNIVERSITAS KANJURUHAN MALANG MENGGUNAKAN TEKNIK DATA MINING Moh Ahsan Universitas Kanjuruhan Malang ahsan@unikama.ac.id ABSTRAK. Universitas Kanjuruhan Malang
Lebih terperinciPerkiraan Waktu Studi Mahasiswa Menggunakan Metode Klasifikasi Dengan Algoritma Naive Bayes
Perkiraan Waktu Studi Mahasiswa Menggunakan Metode Klasifikasi Dengan Algoritma Naive Bayes Lestari Handayani 1, Eka Lona Maulida 2 Teknik Informatika, Fakultas Sains dan Teknologi, UIN Sultan Syarif Kasim
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penentuan dosen pembimbing tugas akhir masih dilakukan secara manual di Jurusan Teknik Informatika UMM yang hanya mengandalkan pengetahuan personal tentang spesialisasi
Lebih terperinciKLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (Studi Kasus : Calon Pendonor Darah di Kota Semarang)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 2, Tahun 2017, Halaman 193-200 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES
Lebih terperinciPENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5
1 PENERAPAN DATA MINING UNTUK REKOMENDASI BEASISWA PADA SMA MUHAMMADIYAH GUBUG MENGGUNAKAN ALGORITMA C4.5 Dina Maurina, Ahmad Zainul Fanani S.Si, M.Kom Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula
Lebih terperinciSISTEM PREDIKSI SERVIS BERKALA KENDARAAN BERMOTOR
SISTEM PREDIKSI SERVIS BERKALA KENDARAAN BERMOTOR ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi Teknik Informatika OLEH : RYANA
Lebih terperinciPENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI
39 PENERAPAN METODE DECISION TREE ALGORITMA C4.5 UNTUK KLASIFIKASI MAHASISWA BERPRESTASI Nadiya Hijriana 1) dan Riadhul Muttaqin 1) 1 Program Studi Teknik Informatika Universitas Islam Kalimantan, Banjarmasin
Lebih terperinciSISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS KREDIT SEPEDA MOTOR)
SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN MENGGUNAKAN METODE NAIVE BAYES (STUDI KASUS KREDIT SEPEDA MOTOR) 1 Jatmika, S.Si, M.Kom 2 Lilis Anggraeni 1,2,3 Jurusan Komputer, Teknik Informatika, Fakultas Sains
Lebih terperinciANALISIS INFORMATION GAIN ATTRIBUTE EVALUATION UNTUK KLASIFIKASI SERANGAN INTRUSI
ANALISIS INFORMATION GAIN ATTRIBUTE EVALUATION UNTUK KLASIFIKASI SERANGAN INTRUSI Aulia Essra (1), Rahmadani (2), Safriadi (3) Magister Teknik Informatika, Universitas Sumatera Utara Jl. Universitas No.24A
Lebih terperinciSISTEM REKOMENDASI PROSES KELULUSAN MAHASISWA BERBASIS ALGORITMA KLASIFIKASI C4.5
SISTEM REKOMENDASI PROSES KELULUSAN MAHASISWA BERBASIS ALGORITMA KLASIFIKASI C4.5 Mujib Ridwan 1) 1 Program Studi Sistem Informasi, Universitas Islam Negeri (UIN) Sunan Ampel Surabaya email: mujibrw@uinsby.ac.id
Lebih terperinciPRESTASI BELAJAR MAHASISWA PROGRAM STATISTIKA TERAPAN FMIPA-UT YANG BERASAL DARI SMA IPA/A1/A2 DENGAN SLTA LAINNYA. Oleh: Drs.
PRESTASI BELAJAR MAHASISWA PROGRAM STATISTIKA TERAPAN FMIPA-UT YANG BERASAL DARI SMA IPA/A1/A2 DENGAN SLTA LAINNYA Oleh: Drs. Ribut Alam Malau FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciBAB I PENDAHULUAN. Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di
BAB I PENDAHULUAN I. Latar Belakang Peminatan atau bidang peminatan adalah sebuah jurusan yang harus di ambil oleh mahasiswa untuk menentukan arah kompetensi dan keahlian mahasiswa tersebut yang mana di
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI KEPUTUSAN NASABAH TELEMARKETING DALAM MENAWARKAN DEPOSITO Wahyu Nurjaya WK 1, Yusrina Adani 2 Program Studi Sistem Informasi, STMIK LPKIA Bandung Program
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 1.1 Latar Belakang BAB I PENDAHULUAN Dalam Peraturan Menteri Agama Republik Indonesia Nomor 30 Tahun 2014 tentang Biaya Kuliah Tunggal dan Uang Kuliah Tunggal pada Perguruan Tinggi Keagamaan Negeri di
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pendidikan merupakan salah satu aspek penting di dalam kehidupan. Oleh karena itu, pendidikan mendapat perhatian besar dalam kehidupan masyarakat dan negara. Pendidikan
Lebih terperinciNur Indah Pratiwi, Widodo Universitas Negeri Jakarta ABSTRAK
Klasifikasi Dokumen Karya Akhir Mahasiswa Menggunakan Naïve Bayes Classifier (NBC) Berdasarkan Abstrak Karya Akhir Di Jurusan Teknik Elektro Universitas Negeri Jakarta Nur Indah Pratiwi, Widodo Universitas
Lebih terperinciPERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA
PERBANDINGAN 3 METODE DALAM DATA MINING UNTUK PREDIKSI PENERIMA BEASISWA BERDASARKAN PRESTASI DI SMA NEGERI 6 SURAKARTA Naskah Publikasi Program Studi Informatika Fakultas Komunikasi dan Informatika Oleh
Lebih terperinciSISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
SISTEM PREDIKSI PENGUNDURAN DIRI PESERTA DIDIK MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER ARTIKEL SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Data E-mail Pada bagian ini akan disajikan detail jumlah keseluruhan dataset yang digunakan untuk penelitian. Dataset diambil CSDMC21 yang disediakan oleh http://www.csmining.org/
Lebih terperinciSISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES
SKRIPSI SISTEM REKOMENDASI PENGAMBILAN KATEGORI SKRIPSI DENGAN PERHITUNGAN NAIVE BAYES Oleh: Muhammad Amdanibik 11.1.03.0.025 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTRA PGRI
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Sebelum melakukan penelitian penulis terlebih dahulu melakukan tinjauan pustaka dari penelitian lain dan penelitian tentang prediksi penjurusan
Lebih terperinciSistem Pendukung Keputusan Pemilihan Jurusan SNMPTN Bagi Siswa SMAN 7 Purworejo
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Sistem Pendukung Keputusan Pemilihan Jurusan SNMPTN Bagi Siswa SMAN 7 Purworejo Yohanes Setyo Prabowo 1), Kusrini 2),
Lebih terperinciPEMILIHAN TEMPAT KKN (KULIAH KERJA NYATA) DI KABUPATEN TULUNGAGUNG DENGAN METODE NAIVE BAYES SKRIPSI. Diajukan Guna Memenuhi Salah Satu Syarat
PEMILIHAN TEMPAT KKN (KULIAH KERJA NYATA) DI KABUPATEN TULUNGAGUNG DENGAN METODE NAIVE BAYES SKRIPSI Diajukan Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer ( S.Kom.) Pada Program Studi
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Data yang digunakan pada penelitian ini merupakan data sentimen dari pengguna aplikasi android yang memberikan komentarnya pada fasilitas user review
Lebih terperinciUKDW. BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penerimaan mahasiswa baru merupakan proses yang selalu dilakukan setiap tahunnya oleh Universitas Kristen Duta Wacana Yogyakarta (UKDW). Mahasiswa baru merupakan mahasiswa
Lebih terperinciAnalisis perbandingan Klasifikasi penyakit jantung dengan menggunakan naïve bayes
Analisis perbandingan Klasifikasi penyakit jantung dengan menggunakan naïve bayes Muhammad Sulkifly Said Program Studi Magister Teknologi Informasi, Universitas Gadjah Mada Jl. Grafika No.2 Kampus UGM,
Lebih terperinciKLASIFIKASI TEKS SURAT KABAR DENGAN MENGGUNAKAN ALGORITMA N-GRAM STEMMERS TUGAS AKHIR
KLASIFIKASI TEKS SURAT KABAR DENGAN MENGGUNAKAN ALGORITMA N-GRAM STEMMERS TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Oleh: KHOZINATUL
Lebih terperinciIMPLEMENTASI DATA MINING DALAM PENERIMAAN KARYAWAN BARU DENGAN METODE DECISION TREE DI BENDESA HOTEL
Seminar Nasional Teknologi Informasi dan Multimedia ISSN : -8 STMIK AMIKOM Yogyakarta, 6-8 Februari IMPLEMENTASI DATA MINING DALAM PENERIMAAN KARYAWAN BARU DENGAN METODE DECISION TREE DI BENDESA HOTEL
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah 1.2 Hipotesis
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Setiap matakuliah memiliki silabus perkuliahan yang berisi materi-materi mengenai matakuliah tersebut. Silabus disusun berdasarkan buku-buku referensi utama
Lebih terperinciPENERAPAN ALGORITMA C4.5 UNTUK MEMBANTU CALON KONSUMEN DALAM MENENTUKAN PROGRAM ASURANSI YANG SESUAI (STUDI KASUS : PT. ASURANSI BINTANG Tbk.
PENERAPAN ALGORITMA C4.5 UNTUK MEMBANTU CALON KONSUMEN DALAM MENENTUKAN PROGRAM ASURANSI YANG SESUAI (STUDI KASUS : PT. ASURANSI BINTANG Tbk.) TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana
Lebih terperinciLAPORAN SKRIPSI DATA MINING PENENTUAN LAGU DANGDUT TERLARIS MENGGUNAKAN ALGORITMA NAIVE BAYES. Oleh : VINA KHILMIYATI
LAPORAN SKRIPSI DATA MINING PENENTUAN LAGU DANGDUT TERLARIS MENGGUNAKAN ALGORITMA NAIVE BAYES Oleh : VINA KHILMIYATI 2010-51-216 SKRIPSI DIAJUKAN SEBAGAI SALAH SATU SYARAT UNTUK MEMPEROLEH GELAR SARJANA
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENENTUAN KARYAWAN TETAP MENGGUNAKAN METODE NAIVE BAYES
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KARYAWAN TETAP MENGGUNAKAN METODE NAIVE BAYES ARTIKEL SKRIPSI Diajukan Guna Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom) Pada Program Studi
Lebih terperinciPENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI PROFIL LULUSAN STMIK LPKIA 1 Ati Suci Dian Martha, S.Kom, M.T., 2 Popy Widiyani 1 Program Studi Teknik Informatika STMIK LPKIA 2 Program Studi Sistem Informasi
Lebih terperinciIMPLEMENTASI METODE NAIVE BAYES CLASSIFICATION DALAM KLASIFIKASI KELAYAKAN CALON PENDONOR DARAH (STUDI KASUS PMI KAB. DEMAK)
IMPLEMENTASI METODE NAIVE BAYES CLASSIFICATION DALAM KLASIFIKASI KELAYAKAN CALON PENDONOR DARAH (STUDI KASUS PMI KAB. DEMAK) Diana Septiari Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 1-10 Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 1-10 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERBANDINGAN ANALISIS DISKRIMINAN FISHER DAN NAIVE BAYES UNTUK
Lebih terperincikhazanah Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Metode Naive Bayes
29 khazanah informatika Jurnal Ilmu Komputer dan Informatika Aplikasi Pemrediksi Masa Studi dan Predikat Kelulusan Mahasiswa Informatika Universitas Muhammadiyah Surakarta Menggunakan Muh Amin Nurrohmat
Lebih terperinciPENERAPAN ALGORITMA K-MEANS PADA PENGELOMPOKAN DATA SISWA BARU BERDASARKAN JURUSAN DI SMK NEGERI 1 KOTA JAMBI BERBASIS WEB.
PENERAPAN ALGORITMA K-MEANS PADA PENGELOMPOKAN DATA SISWA BARU BERDASARKAN JURUSAN DI SMK NEGERI 1 KOTA JAMBI BERBASIS WEB. Faiza Rini 1), Novhirtamely Kahar 2), 3) Juliana 1) Sistem Informasi STMIK Nurdin
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 KLASIFIKASI PADA TEXT MINING Budi Susanto Text dan Web Mining - FTI UKDW - BUDI SUSANTO 2 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciIMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI OPINI PADA DATA TWITTER DENGAN EKSPASI QUERY MENGGUNAKAN PENDEKATAN SINONIM
IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI OPINI PADA DATA TWITTER DENGAN EKSPASI QUERY MENGGUNAKAN PENDEKATAN SINONIM Laporan Tugas Akhir Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata
Lebih terperinciAPLIKASI PENENTUAN CALON PENDONOR DARAH MENGGUNAKAN METODE ALGORITMA ID3 ( STUDI KASUS PMI KOTA KEDIRI )
Artikel Skripsi APLIKASI PENENTUAN CALON PENDONOR DARAH MENGGUNAKAN METODE ALGORITMA ID3 ( STUDI KASUS PMI KOTA KEDIRI ) SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN DASAR TEORI
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Sistem Pendukung Keputusan Pemberiaan Beasiswa PPA dan BBM Bagi Mahasiswa STMIK AKAKOM Yogyakarta Menggunakan Metode Naive Bayes dibuat oleh
Lebih terperinciPENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE
PENERAPAN TEKNIK DATA MINING UNTUK MENENTUKAN HASIL SELEKSI MASUK SMAN 1 GIBEBER UNTUK SISWA BARU MENGGUNAKAN DECISION TREE Castaka Agus Sugianto Program Studi Teknik lnformatika Politeknik TEDC Bandung
Lebih terperinciKOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN. Andi Nurhayati 1, Andi Baso Kaswar 2
KOMPARASI ALGORITMA C4.5 DENGAN NAÏVE BAYES DALAM PENGKLASIFIKASIAN TINGKAT PENDIDIKAN ANAK MISKIN Andi Nurhayati 1, Andi Baso Kaswar 2 1),2) Teknik Informatika Universitas Cokroaminoto Palopo Jl Latammacelling
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG
PENERAPAN ALGORITMA GENETIKA UNTUK PENJADWALAN UJIAN TUGAS AKHIR PADA JURUSAN TEKNIK INFORMATIKA UNIVERSITAS MUHAMMADIYAH MALANG TUGAS AKHIR Sebagai Persyaratan Guna Meraih Sarjana Strata 1 Teknik Informatika
Lebih terperinciKLASIFIKASI PADA TEXT MINING
Budi Susanto KLASIFIKASI PADA TEXT MINING Text dan Web Mining - FTI UKDW - BUDI SUSANTO 1 Tujuan Memahami konsep dasar sistem klasifikasi Memahami beberapa algoritma klasifikasi: KNN Naïve Bayes Decision
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Data Mining Data Mining adalah proses yang mempekerjakan satu atau lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan mengekstraksi pengetahuan (knowledge)
Lebih terperinciLAPORAN PENELITIAN SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NAÏVE BAYES
Penelitian Perseorangan LAPORAN PENELITIAN SISTEM PENDUKUNG KEPUTUSAN UNTUK MEMPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NAÏVE BAYES STUDI KASUS MAHASISWA SISTEM INFORMASI 1 HALAMAN PENGESAHAN 2
Lebih terperinciMETODE KLASIFIKASI DATA MINING DAN TEKNIK SAMPLING SMOTE MENANGANI CLASS IMBALANCE UNTUK SEGMENTASI CUSTOMER PADA INDUSTRI PERBANKAN
Metode Klasifikasi Data Mining dan Teknik Sampling Smote... METODE KLASIFIKASI DATA MINING DAN TEKNIK SAMPLING SMOTE MENANGANI CLASS IMBALANCE UNTUK SEGMENTASI CUSTOMER PADA INDUSTRI PERBANKAN Hairani
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Pertukaran informasi di zaman modern ini telah sampai pada era digital. Hal ini ditandai dengan semakin dibutuhkannya teknologi berupa komputer dan jaringan internet
Lebih terperinciKLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK
Lukman Syafie / JUPITER Volume XV No.2 (2016) 109 KLASIFIKASI DOKUMEN REPOSITORY SECARA OTOMATIS MENGGUNAKAN METODE BAYESIAN NETWORK Lukman Syafie Staf Pengajar Teknik Informatika, Fakultas Ilmu Komputer
Lebih terperinci